tensorflow keras 查找中間tensor并構建局部子圖

dreamans 發布于2019-07-30 18:46 / 1237人閱讀

摘要：但是對于自定義層的中間變量，就沒辦法獲得了，因此需要使用方法二。通過逐層向上查找定義一個迭代函數，不斷查找接著獲得某層的輸出調用迭代函數，找到該最后，調用構建局部圖，并運行此時打印可以看到類似如下大功告成

在Mask_RCNN項目的示例項目nucleus中，stepbystep步驟里面，需要對網絡模型的中間變量進行提取和可視化，常見方式有兩種：

通過 get_layer方法：

outputs = [
    ("rpn_class", model.keras_model.get_layer("rpn_class").output),
    ("proposals", model.keras_model.get_layer("ROI").output)
    ]

此方法可以讀取層的輸出，對于輸出多于1個tensor的，可以指定get_layer("rpn_class").output[0:2]等確定。
但是對于自定義層的中間變量，就沒辦法獲得了，因此需要使用方法二。

通過 tensor.op.inputs 逐層向上查找

定義一個迭代函數，不斷查找

def find_in_tensor(tensor,name,index=0):
    index += 1
    if index >20:
        return
    tensor_parent = tensor.op.inputs
    for each_ptensor in tensor_parent:
        #print(each_ptensor.name)
        if bool(re.fullmatch(name, each_ptensor.name)):
            print("find it!")
            return each_ptensor
        result = find_in_tensor(each_ptensor,name,index)
        if result is not None:
            return result

接著獲得某層的輸出,調用迭代函數，找到該tensor

pillar = model.keras_model.get_layer("ROI").output
nms_rois = find_in_tensor(pillar,"ROI_3/rpn_non_max_suppression/NonMaxSuppressionV2:0")
outputs.append(("NonMaxSuppression",nms_rois))

最后，調用kf.fuction構建局部圖，并運行：

submodel = model.keras_model
outputs = OrderedDict(outputs)
if submodel.uses_learning_phase and not isinstance(K.learning_phase(), int):
    inputs += [K.learning_phase()]
kf = K.function(submodel.inputs, list(outputs.values()))
in_p,ou_p = next(train_generator)
output_all = kf(in_p)

此時打印outputs可以看到類似如下：

OrderedDict([("rpn_class",),
             ("proposals",),
             ("fpn_p2",),
             ("fpn_p3",),
             ("fpn_p4",),
             ("fpn_p6",),
             ("NonMaxSuppression",)])

大功告成~

GPU云服務器云服務器 Tensor python繪制子圖最大公共子圖算法最大連通子圖算法

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/43024.html

Tensorflow代碼解析（二）

摘要：為了進一步了解的邏輯，圖對和進行了展開分析。另外，在命名空間中還隱式聲明了控制依賴操作，這在章節控制流中相關說明。簡述是高效易用的開源庫，有效支持線性代數，矩陣和矢量運算，數值分析及其相關的算法。返回其中一塊給用戶，并將該內存塊標識為占用。 3. TF 代碼分析初步3.1 TF總體概述為了對TF有整體描述，本章節將選取TF白皮書[1]中的示例展開說明，如圖 3 1所示是一個簡單線性模型的TF...

zhigoo 2019-04-25 18:10 評論0 收藏0
以靜制動的TensorFlow Fold動態計算圖介紹

摘要：近日它們交鋒的戰場就是動態計算圖，誰能在這場戰爭中取得優勢，誰就把握住了未來用戶的流向。所以動態框架對虛擬計算圖的構建速度有較高的要求。動態計算圖問題之一的多結構輸入問題的高效計隨著深度學習的發展，深度學習框架之間競爭也日益激烈，新老框架紛紛各顯神通，想要在廣大DeepLearner的服務器上占據一席之地。近日它們交鋒的戰場就是動態計算圖，誰能在這場戰爭中取得優勢，誰就把握住了未來用戶的流...

waltr 2019-04-25 18:08 評論0 收藏0
Tensorflow代碼解析（四）

摘要：聯合查找算法是并查集數據結構一種應用。并查集是一種樹型的數據結構，其保持著用于處理一些不相交集合的合并及查詢問題。的特征是刪除節點。目前就職于騰訊事業部，從事神經機器翻譯工作。 5. TF - Graph模塊TF把神經網絡模型表達成一張拓撲結構的Graph，Graph中的一個節點表示一種計算算子。Graph從輸入到輸出的Tensor數據流動完成了一個運算過程，這是對類似概率圖、神經網絡等連接...

馬龍駒 2019-04-25 18:10 評論0 收藏0